MBA运营管理 第七章 预测

2010-10-7兰州大学管理学院何欣第七章预测兰州大学管理学院何欣2010-10-7事例：沃尔玛公司以其规模和能力而在零售业享有盛誉，在数据库产业领域它同样有着巨大的影响。沃尔玛管理着世界上最大的数据仓库之一，拥有超过35千兆的数据。沃尔玛成功法则—把正确的产品摆放在合适的货架上，并以最低的价格出售——很大程度上归功于公司在数据仓库上数百万美元的投资。在通过产品、店铺和时间来了解当前正在发生的事情方面，玛公司比其绝大多数竞争对手要详细得多。该系统所存储的数据包括销售情况、库存状况、在运货物、市场统计数据、顾客统计数据、财务状况、退货商品以及供应商绩效等。这些数据被用在三个领域以支持决策：分析趋势、库存管理以及增进对顾客的了解。兰州大学管理学院何欣2010-10-7数据分析能够显示出沃尔玛3000多个零售分店中每家商店的“个性特征”，公司的经理们将以此为依据确定该商店的商品配比和货架陈列分布。接下来就要对数据进行分析。沃尔玛公司开发了一套需求预测的应用程序，该程序从每一家商店的每一种商品着手，计算出该商品季度销售量的大致情况。这套计算机系统存储了一年出售的十万种商品的销售数据信息，并能预测出每家商店可能需要的商品种类。目前，沃尔玛正在进行所谓的“市场篮子”分析。公司收集的数据来源于顾客每次购买的所有商品，从而使公司能就顾客的采购模式及其间的联系进行分析。这一数据库在网上由其各商店的经理和供应商们共享。兰州大学管理学院何欣2010-10-7第七章预测7.1需求预测7.2预测方法概述7.3时间序列预测7.4因果预测方法7.5选择预测方法的相关因素兰州大学管理学院何欣2010-10-77.1需求预测7.1.1预测概念7.1.2销售预测的时间跨度与决策内容7.1.3产品生命周期对销售预测的影响兰州大学管理学院何欣2010-10-77.1.1预测概念„预测(forecasting)是预计未来事件的一门科学和艺术。它包括采集历史数据并用某种数学模型来推演将来。它也可以是对未来的主观或直觉的预期。它还可以是两者的综合。„各类公司的经理们每天都在不知道未来会怎样的情况下做出决策。他们在不确切知道未来销售的情况下做出产品预生产的决策，在不知道产品需求的情况下购买新设备，在不知道新项目利润有多少的情况下投资。预测的主要目的就是在面临不确定情况下对未来发生情况做出更好的预计。兰州大学管理学院何欣2010-10-77.1.1预测概念„预测的方法有许多种，但在实践中没有一种会绝对有效。对一个企业一种环境下最好的预测方法，对另一企业甚至同企业不同部门却可能完全不适用。„预测的作用也是有限的，它并不完美无缺。而且还要耗费相当多的财力和时间做出并且监控预测。„但企业不可能不进行预测而只是等到事情发生时再采取行动，一个好的短期或长期的经营规划取决于对公司产品需求的预测。兰州大学管理学院何欣2010-10-77.1.2销售预测的时间跨度与决策内容„短期预测：这类预测时间跨度最多为1年，而通常少于3个月。它主要用于帮助做出购货、工作安排、短期用工、生产能力适度调整的决策。„中期预测：时间跨度通常从3个月到3年。它用于销售计划、生产计划、资金预算、作业流程改进的决策。„长期预测：时间跨度3年以上。它用于规划新产品、投资、及研究开发的决策。兰州大学管理学院何欣2010-10-77.1.3产品生命周期对销售预测的影响„当制定销售预测，尤其是长期预测时，一个要考虑的因素是产品生命周期。产品，甚至服务在它们的生命周期内不可能保持同一销量，产品都需要经过四个阶段：引入、增长、成熟、衰退。„处于其生命周期前两个阶段的产品比处于后两个阶段的产品应做更长期的预测。兰州大学管理学院何欣2010-10-77.2预测方法概述7.2.1定性方法概述7.2.2定量方法概述兰州大学管理学院何欣2010-10-77.2.1定性方法概述„各部门主管集体讨论法：将部门主管的看法通常与统计模型相结合，形成对需求的集体预测。„销售人员意见汇集法：每个销售人员对他所在地区的销售额做出估计。这些预测将被重新检查一遍以确保真实性，然后将各地区预测汇集成企业总体预测。„消费者市场调查法：调查消费者或潜在消费者购买计划。这种调查不仅有助于形成预测，而且还有助于改进产品设计和策划新产品。„德尔菲法兰州大学管理学院何欣2010-10-77.2.2定量方法概述„朴素法„移动平均法„指数平滑法„趋势外推法（以上为时间序列模型）„线性回归因果模型（因果模型：将可能影响预测数量的因素变量考虑进来。）兰州大学管理学院何欣2010-10-77.3时间序列预测7.3.1概念7.3.2时间序列分解7.3.3朴素法7.3.4简单移动平均法7.3.5加权移动平均法7.3.6趋势外推法7.3.7考虑季节因素的趋势外推预测方法兰州大学管理学院何欣2010-10-77.3.1概念假定将来是过去的函数,换句话说，预测人员看过去发生了什么并用一组过去的数据来做预测。例如：上一周某品牌的酒销量为60箱，那么后期的预测我们将以此为根据。兰州大学管理学院何欣2010-10-77.3.2时间序列分解分析时间序列意味着将过去数据分成几部分然后用之于外推。一个典型的时间序列可分为四个部分：„趋势：数据在一段时间内逐渐向上或向下移动。„周期：为数据每隔一段时间重复发生的时间序列形式。它一般与经济周期有关，并对中期经济分析与计划起重要作用。„季节：数据自身经过一定周期的天数，周数、季数的数量表达的形式。„随机波动：由偶然、非经常原因引起的数据变动。它没有可识别的形式。兰州大学管理学院何欣2010-10-7常见的季节形式周期形式季节长度该形式下季节数周天7月周4~4(1/2)月天28~31年季4年月12年周52兰州大学管理学院何欣2010-10-7季节高峰趋势成分实际需求曲线四年平均需求随机波动1年2年3年4年时间4年产品需求表产品或服务需求兰州大学管理学院何欣2010-10-77.3.3朴素法是假定下一期需求与最近一期需求相同。是最简单和效益费用比最高的决策模型。在实践中它是其它复杂方法的出发点。兰州大学管理学院何欣2010-10-77.3.4简单移动平均法„用一组最近的实际数据值来进行预测。如果我们能假定市场在不同时期相当平稳时，移动平均法是很有用的。一个3个月的移动平均法即过去3个月的需求简单加总并除以3。每过一个月，将前2个月数据加上最近一个月数据并去掉最早那个月数据。这种方法使数据短期不规则变动变得平滑。„数学上这种简单移动平均数为：nn∑=期需求总和前移动平均数兰州大学管理学院何欣2010-10-7月份实际销量（套）3月移动平均数1月102月123月134月16(10+12+13)/3=11(2/3)5月19(12+13+16)/3=13(2/3)6月23(13+16+19)/3=167月26(16+19+23)/3=19(1/3)8月30(19+23+26)/3=22(2/3)9月28(23+26+30)/3=26(1/3)10月18(26+30+28)/3=2811月16(30+28+18)/3=25(1/3)12月14(28+18+16)/3=20(2/3)事例1：某家具公司每月沙发的实际销量与用移动平均法预测的销量对比。兰州大学管理学院何欣2010-10-77.3.5加权移动平均法„从上例可以看出销量存在比较明显的变动趋势，这时可以用权数来强调最近数据。使移动平均法更能符合实际销量变化。一般更接近当前的数据被加以更大的权数。权数的选择带有一定主观性，因此，决定用什么权数需要一定经验和运气。如果最近一月或一期权数过高，预测可能会灵敏地反映较大的异常波动。„加权移动平均法用数学表示为：∑∑×=权数期需求）（第期权数）（第加权移动平均数nn月份实际销量（套）3月移动平均数（加权）1月102月123月134月16〔(3×13)+(2×12)+(10)〕/6=12(1/6)5月19〔(3×16)+(2×13)+(12)〕/6=14(1/3)6月23〔(3×19)+(2×16)+(13)〕/6=177月26〔(3×23)+(2×19)+(16)〕/6=20(1/2)8月30〔(3×26)+(2×23)+(19)〕/6=23(5/6)9月28〔(3×30)+(2×26)+(23)〕/6=27(1/2)10月18〔(3×28)+(2×30)+(26)〕/6=28(1/3)11月16〔(3×18)+(2×28)+(30)〕/6=23(1/3)12月14〔(3×16)+(2×18)+(28)〕/6=18(2/3)事例2：假设对上例的每月销量考虑加权。上月权数为3，前第二月权数为2，前第三月权数为1。权数总合6。在这种预测方法之下，你会发现给最近一月更大权数会使外推更为精确。兰州大学管理学院何欣2010-10-712345678910111230252015105实际销量加权平均数移动平均数月份销量某家具公司实际需求与预测对照兰州大学管理学院何欣2010-10-77.3.6趋势外推法„趋势外推法是找出一系列历史数据的趋势线并外推于将来做中长期预测。这里我们只讨论线性（直线）趋势。„我们采用最小二乘法这种统计模型来找出线性趋势。„这种方法是使各实际观察值与趋势线的垂直距离的平方和最小来找出趋势直线。兰州大学管理学院何欣2010-10-7变量值时间找出最合适的趋势的最小二乘法的平均数的平均数，其中：轴截距：为：斜率时间变量的变动率）变动率下回归线斜率（给定轴截距预测的变量值其中：yyxxxbyayxnxyxnxybbxyxbyaybxay==−=−−=====+=∑∑22ˆˆ趋势线的方程为：兰州大学管理学院何欣2010-10-7年份电力需求年份电力需求198974199079199180199290199310519941421995122事例：纽约爱迪生电力公司1989~1995年电力需求见下表，单位兆瓦。利用这一时间序列数据，同时我们把时间转化成更简单的数来简化计算。年份时期电力需求x2xy19891741741990279415819946142368521993510525525199138092401992490163601995712249854∑x﹦28∑y﹦692∑x2﹦140∑xy﹦3,063xyxbyaxnxyxnxybnyynxx54.1070.56ˆ70.56)4(54.1086.9854.1028295)4)(7(140)86.98)(4)(7(063,396.987692,4728222+==−=−===−−=−−=======∑∑∑∑得趋势方程为：兰州大学管理学院何欣2010-10-7如果我们指定1996年在编号体系里x﹦8，则：1996年需求﹦56.70+10.54(8)﹦141.02兆瓦同样，我们可以将x﹦9代入方程来预测1997年的需求：1997年需求﹦56.70+10.54(9)﹦151.56兆瓦为检查该模型的有效程度，下图绘制了历史数据和趋势线。在本例中我们也许应对1994~1995年的需求波动保持警惕，并找出原因。兰州大学管理学院何欣2010-10-7899091929394959697年电力需求电力需求及其趋势线1601501405060708090100120130110趋势线兰州大学管理学院何欣2010-10-77.3.7考虑季节因素的趋势外推预测方法„在一些需求明显受到诸如气候、节假日等事件影响的行业中，其销售数据呈有规则的上下变动，这就是季节性变化。„上述时间序列预测模型的重点在于把握，市场需求变化的趋势。但当需求数据随季节变化非常明显时，则必须对预测趋势线进行修正（考虑季节指数）。以下例，介绍该模型：„某旅游景点参观人数的历史数据如下表所示。在考虑季节指数的条件下，预测2002年第一季度的参观人数。2010-10-7兰州大学管理学院何欣季度时期（x)参观人数(y)（千人）99.1季度17999.2季度29799.3季度312699.4季度48000.1季度57400.2季度68500.3季度7107